风险模拟

风险建模

风险建模是对决策损失的可能性和程度的系统评估：限制，储备，对冲，自动策略和措施的优先级。下方是从威胁图到模型操作的端到端框架。

1）风险图和KRI

领域：运营（事件/SLA），财务（FX，流动性），杂货（质量/转换），行为（frod/RG），监管（罚款，封锁），合作伙伴（附属机构/提供商），IB（泄漏/闯入），模型风险。

KRI （Key Risk Indicators）：事件频率、p95/99延误、charjbacks比例、FPR antifrod比例、投诉比例、语音共享负数、监控覆盖、"预警信号"（领先）vs后果（lagging）。
所有KRI都具有所有者，频率，阈值，滞后和升级通道。

2）频率×严重程度： 损失的基本数学

[
N \sim \text{Poisson}(\lambda)\ \text{или}\ \text{NegBin}(r,p),
\quad X_i \sim F_{\text{severity}}(\theta),
\quad L=\sum_{i=1}^{N} X_i
]

频率（N）：Poisson（罕见的独立事件），NegBin（超细度/聚类）。
严重程度（X）：Lognormal（中等尾巴），Gamma，Pareto/Log-Pareto（厚尾巴），混合模型（混合）。
零侵入：有许多零。
审查/专营权：记账截止日期/保险限额。

Loss Distribution Approach （LDA）：选择（\lambda）和重度参数,然后选择Monte Carlo或卷积（FFT） →尾部指标。

3）尾部风险和EVT

• Block Maxima → GEV，Peaks-Over-Threshold → GPD，阈值选择（u）+稳态检查。
• 校准尾部稳定性（QQ-plot, Hill estimator）。
• 目标是正确估计罕见的重大损失（1/100-1/1000）。

4）依赖性： 相关性和共性

• Gaussian（简单但微弱的尾巴握把），Student-t（尾巴），Clayton/Gumbel（不对称尾巴）。
• 首先将边缘化（severity/频率）拟合，然后将copulu用于风险和浓度组合的联合建模。

5）风险指标和经济指标

VaR（_\alpha)：损失分数（例如99％）。
CVaR/Expected Shortfall（_\alpha)：超出VaR极限的平均损失是尾巴的首选。
EL/UL：预计/意外损失。
RAROC: (\text{Risk-Adjusted Return on Capital}=\frac{\text{Доход} - \text{Ож.损失}{\text{风险资本}}。
风险资本：覆盖率（例如CVaR 99。5%）+缓冲区。

6）情景和压力测试

脚本=输入冲击+相关+业务规则。

类型： 历史（2020年 Covid高峰）、假设（监管锁定、PSP外卖）、反向（"哪些冲击给损失带来≥ X？»).

结果是损失范围，不是点。记录假设和决策渠道（限制/上限/暂停）。

7）贝叶斯和知识更新

贝叶斯频率/严重程度：先验者（Gamma-Poisson，具有信息性超参数的Lognormal）→数据到达时的在线更新。
适用于小型采样/新兴市场（pooling,分层模型）。

8）数据和质量（点对点时间!）

数据合同： 电路,密钥,时区,事件转换,调整标志.

点对点正确性：没有未来的学习信号（特别是对于假人/操作故障）。
政策变更/主义。测量：进入事件日历。
停滞和转变：在关键对决中分析漂移（PSI/KL）。

9）建模过程（步骤）

1.定义桉例和视野：有什么是"损失"，时期，单位（品牌×国家×频道）。
2.形成dataset：频率，重量，协变量（季节性，促销，FX，提供商）。
3.家庭选择：Poisson/NegBin × Lognormal/Pareto（检查QQ 筏/KS/AD测试）。
4.依赖性：用于投资组合汇总的copula/因子模型。
5.校准：MLE/Bayesian；审查制度，弃权，出卖人的会计。
6.验证/备份：尾巴覆盖，参数稳定性，压力敏感性。
7.Monte Carlo：（10^5）-（10^6）运行；评估VaR/CVaR，场景损失。
8.解决方案：限制，上限，暂停，备用变量，RAROC优先级措施。
9.文件：模型卡，脚本护照，运行簿。

10）与策略和自动化集成

触发因素：超过KRI/VaR/CVaR阈值→步骤（增强KYC，3DS-enforce，降低限制，旋转支付渠道，关闭促销活动）。
滞后/culdown：不同的进出阈值,避免"闪烁"。
风险队列：按（\mathbb {E} ［EV］）分类=避免的损害−措施成本−伤害。

11）复合模型示例（pseudo-Python）

python import numpy as np

1) frequency (week) and severity (EUR)
lam = 3. 2            # Poisson rate mu, sigma = 6. 0, 1. 1      # Lognormal params (ln-space)
S = 200000           # simulations

N = np. random. poisson (lam, S) # event rate sev = lambda n: np. exp(np. random. normal (mu, sigma, n)) # severity loss = np. array([sev(n). sum() if n>0 else 0. 0 for n in N])

VaR99 = np. quantile(loss, 0. 99)
CVaR99 = loss[loss >= VaR99].mean()
EL   = loss. mean()

层次结构/投资组合：计算每个细分,然后通过copula/因子或经验协作样本进行聚合。

12）限额和资本管理

限额：通过渠道/国家/提供商,与有效的CVaR相关联。
储备金：覆盖率（例如CVaR 99%）+管理缓冲区。
风险转移：再保险/保险、对冲外汇、供应商多元化。

13）模型风险和Hovernance

模型卡（模板）

目的和应用范围；VaR/CVaR/覆盖度量；数据和时期；假设；限制；敏感性；公平性/伦理；业主；版本；审计日期。

MLOps/ModelOps：模型注册表，版本控制，影子/金丝雀发射，在线/离线特征亲和力，质量和漂移监测，自动变量，"停止起重机"。

验证/退款

大鼠：尾部涂层（Kupiec/Christoffersen），参数稳定性，压力稳定性，替代规格。

14）在销售和runibuki监视

度量标准

VaR涂层（实际突破/预期），CVaR校准，EL/UL扬声器。
输入漂移（PSI），"新"段的份额，极限过热。
操作：后期计算，接线延迟，百分比后退。

Runbook（示例"冲刺爆发"）

1.检查数据的新鲜度和标签是否正确。
2.激增细分（国家/付款/设备/合作伙伴）。
3.在受影响的细分市场中启用步进KYC/3DS，降低限制。
4.运行压力脚本"PSP损失",重新计算CVaR。
5.与渠道所有者沟通，补偿计划。
6.回顾和更新模型/规则设置。

15）脚本护照（template）

ID/版本,日期,所有者

叙述： 发生了什么（监管禁令× FX冲击×外部PSP）

冲击： （\Delta）频率，严重性/相关性变化，持续时间

损失评估： EL/VaR/CVaR（日/周/月）

对策： 限制/转换供应商/通讯/保险

出口点： 取消措施的条件（滞后）

16）KRI护照和限制（简述）

KRI：代码，定义，公式，窗口，"warn/critical"阈值，滞后，所有者，alert通道。
限制：对象（通道/国家/提供商），度量（CVaR99/EL），值，时期，优先级，超出时的操作，例外/时间窗口。

17）反模式

依靠中间而不是尾巴；"美丽的RMSE"和坏的CVaR。
没有tail-dependence的"原样"相关性。
缺少Point-in-Time →泄漏，重新评估"准确性"。
忽略场景/压力；一个"全部"模型。
静默编辑没有版本/changelog的参数。
政治上没有滞后→浮动措施。

18）风险建模轮廓发布前的支票清单

• 风险卡和KRI已完成，业主已指定
• PIT数据、来源合同、事件/政策日历
• 校准频率和严重程度,验证尾巴（EVT）
• 建模依赖性（copula/factor），汇总投资组合
• VaR/CVaR的后代、涂层和参数稳定性正常
• 脚本和压力测试准备就绪，护照和跑步簿签发
• 与限制/引擎/策略集成,磁滞启用
• Model Card,版本、所有者、监控和变量配置

底线

风险建模不是"估计平均损失"，而是管理尾巴：正确的频率和严重程度，极端情况的EVT，通过copula，场景和压力测试，VaR/CVaR和经济指标（RAROC），以及ModelOps学科。这样的轮廓将风险从"黑天鹅"转变为具有限制，储备和明确行动的量化解决方案。